首页 过刊目录
过刊目录
2026年, 第63卷,第9期  刊出日期:2026-09-01
    “知识增强的人工智能前沿技术及应用”专题
  • 尹义龙, 白亮, 王士进, 黄振亚
    计算机研究与发展. 2026, 63(9): 2183-2186. doi: 10.7544/issn1000-1239.qy20260901
  • “知识增强的人工智能前沿技术及应用”专题
  • 马博翔, 李茹, 郭少茹, 李英豪, VíctorGutiérrez-Basulto
    计算机研究与发展. 2026, 63(9): 2187-2201. doi: 10.7544/issn1000-1239.202660437

    大语言模型在场景认知任务上表现出系统性的泛化局限,暴露了其知识记忆过程中可能存在的功能性缺陷。对此,受人脑海马体中齿状回结构的模式分离机制启发,提出了场景认知失败与模型内部模式分离能力局限之间的相关性假设。基于这一假设,首先设计了一种跨实体表示诊断(cross-entity representation diagnosis,CERD)方法,在无需额外训练的条件下量化模型各层的实体表示混淆程度,观察到标准自回归训练并未使模型形成充分可用的模式分离能力,其内部仍存在跨实体的相关性混淆。在此基础上,进一步提出隐空间模式分离(latent-space pattern separation,LPS)方法,在实体混淆较为严重的目标层引入三元组对比正则化,将模式分离约束显式融入大语言模型的训练过程,以降低模型内部易混淆知识间的相关性。覆盖0.8B~9B参数规模的大量实验结果表明,该方法能够相对稳定地提升大语言模型的场景认知能力,相较于标准自回归训练,该方法在精确匹配(EM)指标上获得了最高101.5%的相对提升,为理解与改进大语言模型的场景认知能力及知识记忆机制提供了新的视角。

  • “知识增强的人工智能前沿技术及应用”专题
  • 陈伟, 庄福振
    计算机研究与发展. 2026, 63(9): 2202-2214. doi: 10.7544/issn1000-1239.202660438

    近年来,多模态知识图谱通过引入实体文本描述、图像等辅助信息,为知识图谱补全中的实体表示学习提供了更加丰富的语义来源。然而,现有多模态知识图谱补全方法大多侧重于不同模态特征的对齐或融合,通常将这些信息作为实体的静态外部属性进行建模,而对局部拓扑共同构成的结构上下文利用不足。由于实体语义不仅来源于自身的多模态属性,也受到其邻域关系的影响,缺乏关系约束下的结构传播容易使多模态特征停留在静态语义层面,难以形成具有推理能力的结构化表示。尤其在模态信息噪声较强的场景下,直接依赖初始多模态特征或过早融合异构模态,容易削弱实体表示的稳定性和判别性,从而限制对复杂关系模式和潜在事实的预测能力。为解决上述问题,提出一种基于多视图增强图注意力网络的多模态知识图谱补全方法MEGAT(multi-view enhanced graph attention network)。该方法将结构、视觉和文本信息建模为共享图拓扑下的3个独立视图,并为每个视图构建关系感知图注意力编码器,以在不同模态空间中分别执行关系约束下的邻域传播和结构语义建模。随后,采用门控后融合机制动态整合多视图表示,有效缓解了直接融合异构模态带来的语义干扰。实验结果显示,所提出的方法能够增强实体表示对图结构上下文和复杂关系模式的感知能力,在多个公开数据集上实现竞争性补全性能。

  • “知识增强的人工智能前沿技术及应用”专题
  • 王迪, 杜军平, 薛哲, 叶冠华, 赵桐, 孟晓龙, 李海生
    计算机研究与发展. 2026, 63(9): 2215-2230. doi: 10.7544/issn1000-1239.202660445

    面向知识增强人工智能中动态知识更新与长期知识保持的需求,动态多模态知识图谱持续补全随图谱快照演化增量推断缺失事实、保持历史知识稳定,为动态知识更新提供基础支撑。现有持续补全方法多关注单一模态,难以充分利用文本与视觉语义;直接引入多模态信息又易导致跨快照语义非预期偏移,进而加剧灾难性遗忘。为此,提出语义对齐与自适应回放增强的动态多模态知识图谱持续补全方法SAREC。利用大语言模型生成实体语义描述,并结合视觉-语言预训练表征构建多模态差异感知融合机制,提升实体表示的完整性与鲁棒性;进而通过多模态时序语义对齐,对实体表征的跨快照演化进行约束,保持内在语义一致性;最后,提出时序感知自适应回放机制,依据快照时序动态分配回放预算并选择性回放历史知识,缓解灾难性遗忘。实验结果表明,SAREC在多种知识演化模式下取得优于基线方法的性能,为开放环境下的持续知识注入与自适应知识增强提供了有效支撑。

  • “知识增强的人工智能前沿技术及应用”专题
  • 邵杰晶, 杨铭, 杨骁文, 李宇峰
    计算机研究与发展. 2026, 63(9): 2231-2247. doi: 10.7544/issn1000-1239.202660454

    机器学习在真实场景中的有效应用通常依赖充足可靠的标注数据,而许多任务的标注需要领域专家参与,成本较高。主动学习通过选择高价值未标注样本交由专家标注,以降低数据构建成本。现有方法多从学习器视角设计查询准则,如不确定性、多样性、委员会分歧和核心集覆盖等,但其跨数据集、模型和预算条件的收益并不稳定,甚至可能劣于随机标注。同时,传统主动学习通常将专家限定为标签提供者,缺少解释样本选择依据和模型预测逻辑的协同媒介。专家反馈因此难以从样本标签上升为可复用的知识规则,模型也难以与专家领域知识有效对齐。针对上述问题,提出面向可解释人机协同的知识引导主动学习方法KALE。KALE以一阶逻辑规则作为模型与专家的协同媒介,先将当前模型预测行为归纳为紧凑逻辑规则,再由专家依据领域知识判别规则正确性。对正确逻辑规则,KALE执行演绎式弱标注扩展;对错误逻辑规则,KALE将其视为知识-模型分歧的符号化观测,并据此开展反绎式分歧查询。方法同时结合类别级规则、局部规则和稀疏规则选择,以控制交互规模。实验表明,KALE较已有基线取得稳定性能提升,在小预算标注场景下优势更加明显。

  • “知识增强的人工智能前沿技术及应用”专题
  • 司悦航, 曾泽凡, 王博岩, 霍静, 高阳, 黄金才
    计算机研究与发展. 2026, 63(9): 2248-2263. doi: 10.7544/issn1000-1239.202660408

    时序知识图谱推理旨在基于历史事实预测未来事件,而现有基于强化学习的推理方法仅在实体级进行路径搜索,缺乏高层语义逻辑指导。本体作为图谱的概念级抽象具有很强的逻辑性,而本体构建时依赖静态统计,难以动态适应。为此,提出面向时序知识图谱推理的本体-图谱双智能体强化学习方法ODRT。该方法通过大语言模型语义嵌入与预训练时序知识图谱推理模型结构嵌入联合初始化时序知识图谱本体,并在训练中通过可学习频次权重实现本体动态优化。双智能体强化学习框架中,上层本体智能体在本体图上执行概念级游走,通过历史状态共享为下层图谱智能体提供语义导航,下层智能体在时序图谱上执行实体级搜索并受分层软奖励约束。在4个公开的推理数据集上的广泛实验表明,ODRT在现有基于强化学习的时序推理方法中取得最优性能,并在2个百科型数据集上达到当前最优水平;而在实体行为模式异质且预测依赖历史复用的事件型数据集上,其性能与部分嵌入方法相比存在一定差距。深入实验分析证明了本体引导机制和双智能体强化学习框架的优势。

  • “知识增强的人工智能前沿技术及应用”专题
  • 马杰, 张瀚驰, 渠宁, 薛皓荃, 王鑫平, 刘均
    计算机研究与发展. 2026, 63(9): 2264-2284. doi: 10.7544/issn1000-1239.202660338

    多模态检索增强生成通过引入外部文本与视觉知识,为复杂文档理解、知识问答和步骤化任务指导等任务场景提供了重要支撑。然而,现有方法通常将图文交织生成过程交由单一多模态大模型统一完成,即把检索得到的文本块、候选图像及其图像描述同时输入同一个模型,并要求模型在一次生成过程中同时承担文本内容组织、视觉证据筛选、图像插入位置判断以及多图顺序规划等任务。但在复杂长上下文场景下,候选内容中常包含弱相关文本、相似图像和冗余视觉证据,容易导致关键图像漏选、无关图像误选及多图顺序错位等问题。针对上述问题,提出一种基于多智能体辩论机制的多模态检索增强图文交织生成方法。该方法将生成过程解耦为文本推理、视觉感知和全局裁决3类协同角色,并通过双轨草稿生成、集合冲突与顺序冲突检测、多轮对抗式辩论及全局裁决与融合机制,对图像选择、动态补图、冗余剔除和顺序重排进行统一优化。实验结果表明,方法在MRAMG-Bench的网络数据、学术文档和生活方式3个领域上均取得较优表现。特别是在生活方式领域,相比当前强基线M2IO-R1,提出方法在图像召回率和顺序一致性指标上分别提升7.02个百分点和7.77个百分点;在网络数据领域,提出方法相比最优完整基线的平均性能提升7.90个百分点。上述结果验证了提出方法在复杂长文档图文交织生成任务中的有效性。为便于结果复现,提供匿名代码仓库与复现说明:https://github.com/mira-ai-lab/MRAMG-MultiAgent-Debate

  • “知识增强的人工智能前沿技术及应用”专题
  • 武栩含, 孙仕亮
    计算机研究与发展. 2026, 63(9): 2285-2301. doi: 10.7544/issn1000-1239.202660459

    场景图生成(scene graph generation,SGG)作为连接低级视觉感知和高级语义推理的桥梁,在各种视觉语言任务中扮演着重要角色。然而,现有的专用场景图生成模型常因缺乏语义约束机制而产生不合理的关系预测,存在逻辑幻觉。目前,尽管多模态大模型(MLLMs)具备丰富的常识,但直接将其应用于场景图生成任务时,其固有的黑盒特性与严重的幻觉问题导致关系推理结果缺乏可靠性与可解释性,且其参数规模巨大、计算开销高昂,难以满足实际部署需求。为此,提出了KETR(commonsense knowledge embedding Transformer),一种嵌入常识知识的端到端场景图生成模型。该模型通过多尺度视觉特征融合编码器提取图像全局与局部特征,利用基于可学习查询的并行解码器实现实体检测。核心创新在于提出软对齐知识融合机制,通过视觉特征与外部常识知识图谱嵌入空间的概率映射动态聚合知识信息,同时引入常识感知的主宾语指示器与知识驱动评分约束,将TransE 模型的评分函数作为正则化项融入联合训练损失,有助于提升关系推理的语义一致性。在Visual Genome 和Open Images V6 两个主流基准数据集上的广泛实验表明,KETR在多项核心指标上取得了大幅度的性能提升。进一步的消融实验表明,软对齐知识融合有助于改善低频关系的识别能力,常识感知主宾语指示器和知识驱动评分约束能够减少与实体角色、物体可供性及空间语义明显冲突的不合理关系预测。

  • “知识增强的人工智能前沿技术及应用”专题
  • 曹明生, 丁桥隆, 张文清, 李延斌, 林迪, 许辉
    计算机研究与发展. 2026, 63(9): 2302-2318. doi: 10.7544/issn1000-1239.202660229

    针对现有大语言模型(large language model,LLM)在源代码漏洞检测中对程序结构信息利用不足、推理稳定性较弱以及微调成本较高等问题,提出一种融合图结构表征与LLM推理能力的漏洞检测方法。该方法以源代码数据流图为基础,对变量依赖关系和语义传播路径进行建模,并通过跨模态映射将图结构特征对齐到语言模型语义空间,实现程序结构知识的有效注入。同时,设计基于代码重构任务的渐进式图编码器预训练策略,以增强模型对漏洞相关结构模式的感知能力。在此基础上,结合结构化推理蒸馏与低秩自适应参数高效微调机制,在降低训练开销的同时提升漏洞判别性能。进一步,引入面向漏洞检测的思维链推理流程,增强检测结果的可解释性与推理一致性。实验结果表明,该方法能够有效提升源代码漏洞检测的准确性和稳定性。

  • “知识增强的人工智能前沿技术及应用”专题
  • 龙佳琪, 张所娟, 郝文宁, 陈泽君, 孙新杰, 刘逸凡, 陈恩红
    计算机研究与发展. 2026, 63(9): 2319-2337. doi: 10.7544/issn1000-1239.202660421

    知识追踪作为智能辅导系统的核心任务,旨在通过分析学生历史行为数据预测其未来表现,为个性化学习路径规划提供依据。当前主流深度学习方法受限于知识边界,依赖单一特征拟合,普遍存在学习过程建模过度简化、情境适配能力不足、预测过程黑箱化等问题,输出结果缺乏可解释性,难以转化为可落地的教学参考。为此,提出了基于混合专家(mixture of experts,MoE)模型的情境自适应知识追踪智能体CAKT-Agent,构建统一记忆模块、学习智能体和伴学智能体三级协同架构:统一记忆模块实现学习数据、教育先验知识和中间状态的全局存储与共享;学习智能体基于教育测量学和认知科学定义5维情境,设计维度感知的混合专家架构,通过两级门控机制实现情境自适应融合;伴学智能体依托专家激活权重与教育理论规则,生成具备教育可理解性的学习诊断报告。真实数据集实验结果表明,所提模型在学生表现预测精度上优于主流模型,且具备良好的情境自适应能力与结果可理解性。

  • “知识增强的人工智能前沿技术及应用”专题
  • 吕千一, 罗汉文, 王峻, 李真, 余国先
    计算机研究与发展. 2026, 63(9): 2338-2354. doi: 10.7544/issn1000-1239.202660468

    病理全切片图像(whole slide image, WSI)是癌症诊断与预后判断的核心载体。当前主流的病理全切片生存预测方法将海量的区块特征直接映射为全局表示并输出预后风险,不仅未能在建模中显式区分复杂的组织学构成、忽略了不同癌种特有的临床表型差异,也导致模型的内部推理过程缺乏可解释性。 针对上述问题,提出PathRoute,一个面向可解释生存预测的主动证据路由框架。该框架将WSI推理建模为先形成证据、再读出风险的两阶段有向过程:4类角色明确的可学习查询在统一隐空间中分工协作,分别承担组织组成感知、主动证据路由、表型语义辅助监督与风险读出;方向性注意力掩码进一步约束查询间的前向可见性,使风险预测在架构上成为前序证据表示的下游读出,而非端到端的黑盒映射。 在TCGA的5个常见实体瘤癌种上,采用统一输入特征与相同患者级5折交叉验证划分,PathRoute仅使用WSI作为输入,平均生存预测C-index优于代表性多模态融合方法与纯WSI方法,验证了结构化证据组织的有效性。进一步的分析表明,路由查询在未接受任何组织类型监督的条件下,仍在5个癌种上稳定地将注意力自发集中于肿瘤区域,为主动证据路由的可解释性提供了直接支撑。代码目前已在https://github.com/ZephyrGo/pathRoute开源。

  • 网络与信息安全
  • 延航宇, 陈仁海, 张雨, 史文燕, 吴洪越, 冯志勇
    计算机研究与发展. 2026, 63(9): 2355-2370. doi: 10.7544/issn1000-1239.202550462

    非易失性存储器(non-volatile memory,NVM)因断电后数据持久保存、高密度和大容量等优势成为了研究热点,但其持久性也使其更易遭受未授权访问与数据篡改等安全威胁。安全NVM通常采用加密与完整性验证技术,但直接加密会引发写放大,导致写入延迟增加和能耗上升。为缓解该问题,提出计数器溢出可感知的安全重加密延迟优化技术ERED(epoch-based re-encryption delay),包括基于周期的字级重加密延迟(word-epoch based re-encryption delay,W-ERED)优化技术与基于周期的行级重加密延迟(line-epoch based re-encryption delay,L-ERED)优化技术。W-ERED通过为局部计数器设置溢出标志,在溢出时仅对溢出数据字使用新的行计数器加密,未溢出数据字仍使用旧行计数器,从而避免不必要的重加密。在此基础上,L-ERED通过为行计数器设置溢出标志,在溢出发生时仅对溢出数据行使用主计数器重加密,显著减小因行计数器溢出导致的重加密粒度。进一步提出STAR+以优化写入开销并增强崩溃恢复能力:引入计数器写过滤机制,仅当缓存中计数器更新达到阈值时写入NVM;恢复阶段结合Osiris与影子计数器重建计数器状态,并通过更新MAC与递归计算哈希恢复完整性树,确保数据与元数据一致性。实验结果表明,与智能加密节能(smartly encrypted energy efficient,SECRET)技术相比,W-ERED平均位翻转率降低5%、写入延迟降低11%、写入能耗降低6%,存储开销仅增加8/512;L-ERED重加密行数仅为BASE方案的26.7%和RSR方案的47.7%,额外存储开销为1/512;STAR+较STAR写入次数减少9.8%、性能开销降低3.1%,恢复时间基本持平。

  • 网络与信息安全
  • 张志强, 王海燕, 杜磊, 段晨芸, 李嘉瑞, 顾钊铨, 方滨兴
    计算机研究与发展. 2026, 63(9): 2371-2385. doi: 10.7544/issn1000-1239.202550584

    随着5G、人工智能和物联网技术的深度融合,网络基础设施正面临动态攻击面持续扩大和威胁隐蔽性不断增强的双重挑战。传统静态防御机制已难以应对攻击策略的不断演变。尽管现有的主动式欺骗防御体系通过蜜点技术提升了威胁感知能力,但仍存在显著缺陷,尤其是缺乏动态效能评估与资源优化机制,导致防御成本与安全效益严重失衡。当前研究大多集中在蜜点的初始部署策略和架构改进上,但这些研究未能有效解决防御效能在动态对抗场景下周期性衰减的问题,且在多维度安全指标量化建模和闭环调优机制方面存在明显不足。针对这一研究空白,提出了一种蜜点集群防御体系的多维效能表征机制。该机制以冗余风险指数、跨蜜点IP重复率和威胁诱捕效能评分为核心指标,构建了一套完整的效能评估体系。具体而言,该方法首先利用深度嵌入聚类技术获取蜜点效能的先验标签,为后续效能评估提供基础数据;然后引入基于遗传进化策略的权重自适应优化机制,根据实际威胁环境和防御需求动态调整各核心指标的权重,以实现精准高效的效能评估。在此基础上,进一步构建了“评估—反馈—调优”的闭环防御体系,使防御系统能够依据实时效能评估结果,及时调整防御策略和资源配置,从而显著提升主动式欺骗防御系统的智能化水平。这一闭环防御体系为推动主动式欺骗防御系统的智能化发展提供了切实可行的理论范式,有望在未来网络安全防御领域发挥重要作用。

  • 网络与信息安全
  • 张桂芬, 苏秦春, 李鸿梓, 葛丽娜
    计算机研究与发展. 2026, 63(9): 2386-2400. doi: 10.7544/issn1000-1239.202550637

    联邦学习系统的自适应梯度累积后门攻击(adaptive gradient accumulation backdoor attack,AGABA)框架结合了动态透明度的参数化自适应子块触发器(adaptive subblock trigger,AST)和多阶段梯度累积(multistage gradient accumulation,MGA)机制,有效解决了传统后门攻击在联邦环境下面临的隐蔽性与持久性平衡难题。AST通过动态透明度控制和分布式子块叠加技术,将完整触发器分解为多个独立组件,使恶意客户端能够在保持高度隐蔽性的同时协同构建全局触发模式。MGA采用3阶段攻击策略(初始累积、梯度累积和攻击实施)结合参数重要性感知机制,通过跨轮次的渐进式梯度累积实现恶意更新在模型聚合中的潜伏与激活。该框架利用动量加速的梯度差异传播和自适应记忆因子调整,确保攻击梯度始终位于合法分布区间内,有效规避基于统计异常的检测机制。实验表明,在20%恶意客户端参与的场景下,AGABA能够在多种主流防御机制保护下保持较好的后门攻击成功率,优于现有单一攻击方法。

  • 网络与信息安全
  • 张娇, 刘怿睿, 康志远, 刘军卫, 孟令坤, 徐军, 赵兴华, 季忠铭, 黄韬
    计算机研究与发展. 2026, 63(9): 2401-2423. doi: 10.7544/issn1000-1239.202550249

    智算中心是数据中心发展到当前的一种新形态,与传统以提供虚拟化计算资源为主要特征的云数据中心相比,智算中心主要为以人工智能为代表的新型高算力需求业务提供强大算力。针对智算中心网络业务需求、拓扑结构、通信模式、流量特征等进行了深入阐述与分析,针对其独有特征带来的新问题与挑战逐一进行剖析。然后,按照网络分层模型梳理了以集合通信、传输控制、负载均衡、链路控制和故障管理为核心的高性能智算中心网络关键技术框架,并对这些关键技术现状和优劣势进行了详细的归纳总结。最后,在对当前技术发展分析的基础上,提出了通算智算一体化、智算中心技术专用化、智能算力多租户化等未来发展趋势。

  • 网络与信息安全
  • 李文超, 孙寅涵, 余天赐, 谭良峰, 马高辉, 孙志刚
    计算机研究与发展. 2026, 63(9): 2424-2441. doi: 10.7544/issn1000-1239.202550459

    时间敏感网络(time-sensitive networking,TSN)在传统以太网的基础上,增加高精度时间同步和时间感知整形等技术,为端到端提供低延时、低抖动和高可靠的确定性数据传输服务,在航空航天、工业控制、车载网络中具有广泛的应用场景。现有大量以太网端节点难以升级支持TSN时间同步,是制约TSN部署应用的瓶颈。 为此,提出一种TSN时间同步方法FlyPTP,其核心思想在于解耦时间同步功能与端节点固有架构,通过部署在端节点上的软件与接入交换机上的硬件相结合,实现平台无关的TSN时间同步。 该方法从理论上被证明有效,并基于FPGA开发了相应的硬件逻辑及相关软件。通过设计实验,在多种异构端节点上部署FlyPTP。结果表明,所有被测端节点无需修改现有软硬件即可完成部署,同步精度达到85 ns,验证了FlyPTP在不修改现有架构的情况下,实现异构端节点TSN时间同步的能力。

  • 高性能计算
  • 林志恒, 孟轲, 谭光明
    计算机研究与发展. 2026, 63(9): 2442-2462. doi: 10.7544/issn1000-1239.202550501

    图模式挖掘作为分析实体关系的核心任务,在社区检测、药物发现等领域具有广泛应用。但由于其非多项式时间复杂度,大规模图数据处理面临搜索空间爆炸与计算效率低下的挑战。现有基于GPU的加速方案虽利用并行计算提升性能,但受限于图数据幂律分布导致的线程空闲问题,以及多GPU场景下频繁的CPU介入通信开销,难以充分释放硬件算力。提出GPU图模式挖掘系统Saturn,通过计算与通信协同优化突破上述瓶颈:在计算层面,将集合操作的装载与查询阶段解耦,采用细粒度并行批处理策略动态适配哈希与二分查找算法,并结合共享内存缓存优化访存效率,显著提升线程利用率;在通信层面,构建CPU无感的全GPU通信模式,利用NVLink高带宽链路与统一内存机制实现跨设备数据直接访问,通过顶点缓存与消息聚合调度降低冗余传输与链路竞争。实验结果表明,Saturn在真实数据集上相比主流GPU图挖掘系统,实现了更高的计算并行效率与跨设备通信能效,为大规模图模式挖掘任务提供了高效解决方案。

  • 高性能计算
  • 李权熹, 崔慧敏, 冯晓兵, 王晨曦
    计算机研究与发展. 2026, 63(9): 2463-2477. doi: 10.7544/issn1000-1239.202550871

    分离式内存架构正在迅速成为下一代数据中心,有望提高资源利用率和可扩展性。现有系统软件往往采用轻量级线程的高速切换以生成并发的远端数据访问请求,来掩盖分离式内存的微秒级延迟。然而,这一方法产生了巨大的线程调度和通信开销,消耗了大量本应用于计算的CPU资源,形成了新的性能瓶颈。针对这一挑战,设计了一种面向分离式内存的用户态异步数据通路。该通路面向数据预取和逐出,摒弃高开销的多线程并发模型,转而利用异步I/O机制实现细粒度任务中计算与网络I/O的交叠。通过结合自适应批处理与动态线程管理策略,最大限度地降低了CPU开销的同时保障了远端内存请求及时性和并发性,从而掩盖分离式内存访问延迟。基于AIFM实现了原型系统,并在4个典型应用负载下进行了评估。实验结果表明,与AIFM相比,该方法在将数据预取和逐出的CPU开销降低73%的同时,将端到端应用吞吐量平均提升了38%。